Awesome GitHub RepositoriesComputer Vision Model Integration

ImageAI is a Python computer vision library providing a suite of tools for image classification, object detection, and video analytics. It functions as an integrated framework for locating and labeling objects in static images and video streams, utilizing deep learning models for identification and categorization. The project includes a model training toolkit that allows for the creation of custom classifiers and detectors through scratch training or transfer learning. It features a GPU-accelerated inference engine to increase processing speed for vision tasks and includes specialized utiliti

Darkflow هو إطار عمل لاكتشاف الكائنات وخط أنابيب للرؤية الحاسوبية يوفر واجهة برمجية لإجراء تحليل الصور وتحديد الكائنات في الوقت الفعلي. يعمل كأداة لتحميل الأوزان، وضبط النماذج بدقة، وتنفيذ الاستدلال (inference) على كل من الصور الثابتة وموجزات الفيديو. يعمل المشروع كمحول يترجم إعدادات وأوزان Darknet إلى رسوم بيانية (graphs) في TensorFlow لتمكين إعادة التدريب والنشر. يتضمن مصدراً للنماذج يحفظ الرسوم البيانية المدربة في ملفات protobuf محمولة للاستخدام على الأجهزة المحمولة والأجهزة الأصلية. يغطي النظام قدرات تدريب وضبط نماذج الاكتشاف بدقة على مجموعات بيانات مخصصة، مع ميزات نقاط فحص التقدم لاستعادة التدريب. كما يوفر أدوات لترجمة تعيين الأوزان ومعالجة بيانات الصور الخام من خلال عمليات الموتر (tensor) لإنتاج مربعات الإحاطة ودرجات الثقة.

Open Model Zoo هي مجموعة منسقة من نماذج التعلم العميق المدربة مسبقاً والمحسنة المصممة للاستنتاج عالي الأداء باستخدام OpenVINO. تعمل كمستودع نماذج وإطار عمل نشر يبسط دمج الشبكات العصبية في بيئات الإنتاج. يستخدم المشروع بياناً مركزياً وسجلاً مؤصلاً لأتمتة تنزيل وتنظيم أوزان النماذج والبيانات الوصفية. ويتضمن أدوات لقياس أداء الاستنتاج والتحقق من دقة النموذج من خلال مقارنة المخرجات مقابل موترات الحقيقة الأرضية (ground-truth) لتحديد فقدان الدقة. يوفر النظام البيئي تطبيقات مرجعية وبنية تجريبية نمطية لفصل محركات الاستنتاج عن منطق التطبيق. تدعم هذه الأدوات تنفيذ مهام رؤية الحاسوب من خلال أغلفة قياسية تجرد متطلبات المعالجة المسبقة والمعالجة اللاحقة.

Deepchecks هو إطار عمل للتحقق من نماذج تعلم الآلة ومكتبة اختبار MLOps. يعمل كجناح لجودة بيانات الذكاء الاصطناعي ومقيم للأداء مصمم للتحقق من سلامة وأداء النماذج ومجموعات البيانات من مرحلة البحث وحتى الإنتاج. يعمل المشروع كأداة لمراقبة النماذج لتتبع انحراف البيانات (Data drift) وتدهور الأداء في بيئات الإنتاج. ويسمح بإنشاء مجموعات تحقق مخصصة ويستخدم بنية فحص قابلة للتوصيل (Pluggable check) لأتمتة فحوصات الجودة داخل خطوط أنابيب التكامل المستمر (CI). يغطي إطار العمل مجموعة واسعة من الإمكانيات بما في ذلك التحقق من سلامة البيانات، واكتشاف الانحراف القائم على التوزيع، ومقارنة إصدارات النماذج. ويوفر تحليلاً متخصصاً لرؤية الكمبيوتر ومعالجة اللغات الطبيعية، إلى جانب أدوات إعداد التقارير التي تحول مقاييس التحقق إلى تقارير مرئية تفاعلية. يدعم النظام النشر في الموقع (On-premises) للحفاظ على خصوصية البيانات والتحكم في البنية التحتية.